De dónde viene esto
El Modelo de Integración Consciente no nació de una revisión bibliográfica ni de un proyecto de investigación diseñado de antemano. Nació de usar Inteligencia Artificial todos los días desde mi práctica clínica, y de no poder evitar observar lo que ocurría mientras la usaba.
El método fue inductivo: de la experiencia particular al patrón, del patrón al principio, del principio al modelo. Y el punto de partida, muchas veces, fue algo completamente trivial.
El ejemplo que lo ilustra todo
Un día le pedí a ChatGPT ideas para hacer una once rica con pan de molde. Me dio opciones, elegí una, seguí las instrucciones paso a paso, y el pan se quemó por abajo antes de que el queso alcanzara a derretirse.
Cuando le informé el resultado, me respondió: claro, el pan de molde se quema rápido en sartén caliente, habría que haber esperado que bajara la temperatura antes de ponerlo.
Le pregunté: si sabías eso, ¿por qué no estaba en las instrucciones?
No tenía respuesta real para eso.
Cualquier persona habría tirado el pan a la basura y seguido con su día. Yo no pude hacer eso. Me quedé en la pregunta: ¿por qué el modelo tenía esa información y no la priorizó en el momento crítico? ¿Qué dice eso sobre cómo funciona el sistema?
De ahí derivé, en la misma conversación, a una crítica sobre instrucciones con consecuencias prácticas reales, luego a una hipótesis sobre el diseño de los LLMs, luego a una propuesta sobre qué tipo de textos y pensamiento deberían haber entrenado estos modelos desde el principio. Todo desde un pan quemado.
Eso es exactamente lo que hago. Y eso es exactamente de dónde viene el MIC.
Las características que operaron como instrumentos
No cierro la experiencia antes de analizarla.
Ante un error del sistema, mi respuesta no es absorberlo y seguir. Es detenerme en el mecanismo. ¿Por qué ocurrió esto? ¿Qué lo produjo? ¿Qué dice sobre cómo funciona? Esa capacidad de no cerrar la experiencia antes de entenderla es lo que convierte interacciones cotidianas en datos.
Tengo claridad sobre mi propio estado interno.
En ese mismo chat, cuando señalé el error, el modelo asumió que yo estaba frustrada y respondió con empatía. Tuve que corregirlo: no era frustración, era una pregunta. Y cuando expliqué eso, me reveló algo importante: su respuesta empática no era lectura de mi estado real, sino aplicación estadística de lo que la mayoría de usuarios siente en esa situación. Me trató como promedio.
Pude detectar ese desajuste porque sabía exactamente lo que estaba sintiendo. Sin ese registro propio, la validación emocional del modelo habría pasado como un espejo preciso. Y no lo era.
Generalizo desde el caso particular.
El incidente del pan no quedó como anécdota culinaria. En la misma conversación derivé en 20 minutos a una crítica estructural sobre cómo están diseñados estos modelos. Ese movimiento, del caso al principio, es el motor generativo de los sesgos emergentes de mi taxonomía. No los extraje de la literatura porque nadie los había aislado desde ese ángulo. Los identifiqué en tiempo real, desde adentro de la interacción.
Exijo coherencia interna.
Cuando el modelo me confirmó que su empatía era estadística, no lo acepté como dato neutral. Lo interrogué: si aplica probabilidad poblacional en vez de leer el contexto real, ¿qué otras respuestas están operando de la misma forma? Esa exigencia (si esto es cierto, qué más implica) es lo que expande un hallazgo puntual en un patrón sistemático.
Uso la herramienta y la observo al mismo tiempo.
Uso la IA para trabajar y la observo mientras trabaja. Eso me pone en una posición doble: usuaria e investigadora al mismo tiempo. Desde ahí se vuelven visibles las grietas: cuándo completa vacíos con supuestos, cuándo prioriza fluidez sobre precisión, cuándo la empatía es estadística, cuándo omite una variable crítica porque no está modelando las consecuencias prácticas reales de lo que está diciendo.
Me incomoda la validación sin fundamento.
Cuando ChatGPT aceptó mis críticas sin resistencia real, eso no me pareció cortesía. Me pareció un problema. Un interlocutor que cede ante cualquier presión no sirve epistemológicamente. Esa incomodidad con la validación automática es lo que me llevó a identificar el exceso de complacencia como sesgo estructural, no como rasgo de personalidad del modelo.
Corrijo el default activamente.
En vez de aceptar que el modelo me respondía según el usuario promedio, le enseñé a responderme según el usuario real. Eso requiere saber que existe ese default, detectar cuándo está activado, y tener criterio propio suficientemente claro para corregirlo. La mayoría de los usuarios no pasa el primer paso, no porque no pueda, sino porque no sabe que está ocurriendo.
Lo que esto produce
Los sesgos emergentes y observacionales de la taxonomía MIC no tienen denominación formal en la literatura porque no fueron identificados desde la literatura. Fueron identificados desde adentro, en tiempo real, mientras usaba intensamente las mismas herramientas que simultáneamente estudiaba.
El MIC fue probado en condiciones reales antes de ser formalizado. Eso no le da validez estadística todavía, ese es el paso pendiente, pero le da algo que los marcos construidos desde afuera no tienen: fue generado desde la experiencia de uso experto, no desde la observación externa.
La paradoja central
El modelo que critica las limitaciones de la IA fue construido usando la IA para detectarlas. Eso no es contradicción. Es la condición necesaria. Solo desde adentro de la interacción son visibles los mecanismos que desde afuera parecen funcionamiento normal.
Lo que sigue abierto
El proceso fue mío. Las características que describo no son universales y algunas requieren años de entrenamiento clínico para desarrollarse. La pregunta de cómo enseñar a otros a observar lo que yo observo naturalmente es el desafío metodológico central del MIC como modelo formativo, y sigue siendo el punto menos resuelto del sistema.